Java 类名：com.alibaba.alink.pipeline.nlp.DocCountVectorizer
Python 类名：DocCountVectorizer

功能介绍

根据文本中词语的特征信息，将每条文本转化为稀疏向量。

使用方式

文本内容列（SelectedCol）中的内容用于统计词语的统计信息，需要是用空格分隔的词语。
将文本转换为稀疏向量时，每个唯一的词语将对应向量中的一个唯一的索引值。 而向量中对应索引的值表示这个词语在文本中的特征信息，可以通过参数 featureType 来选择不同的特征。
在转换时，所使用的词语集合还可以通过参数来进行筛选：

  • maxDF/minDF：根据包含词语的文本次数（DF）进行筛选（当设置值在[0,1)区间时，表示占总文本数的比例）；
  • minTF：仅在预测单条文本时起作用，根据词语在当前文本中的出现的次数进行筛选（当设置值在[0,1)区间时，表示占当前文本总次数的比例）；
  • vocabSize：根据词语在所有文本中出现的总次数排序，只使用前 vocabSize 个词语。

    参数说明

    | 名称 | 中文名称 | 描述 | 类型 | 是否必须？ | 取值范围 | 默认值 | | —- | —- | —- | —- | —- | —- | —- | | selectedCol | 选中的列名 | 计算列对应的列名 | String | ✓ | | | | featureType | 特征类型 | 生成特征向量的类型，支持IDF/WORD_COUNT/TF_IDF/Binary/TF | String | | “IDF”, “WORD_COUNT”, “TF_IDF”, “BINARY”, “TF” | “WORD_COUNT” | | maxDF | 最大词频 | 如果一个词出现的文档次数大于maxDF, 这个词不会被包含在字典中。maxDF可以是具体的词频也可以是整体词频的比例，如果minDF在[0,1)区间，会被认为是比例。 | Double | | | 1.7976931348623157E308 | | minDF | 最小文档词频 | 如果一个词出现的文档次数小于minDF, 这个词不会被包含在字典中。minTF可以是具体的词频也可以是整体词频的比例，如果minDF在[0,1)区间，会被认为是比例。 | Double | | | 1.0 | | minTF | 最低词频 | 最低词频，如果词频小于minTF,这个词会被忽略掉。minTF可以是具体的词频也可以是整体词频的比例，如果minTF在[0,1)区间，会被认为是比例。 | Double | | | 1.0 | | modelFilePath | 模型的文件路径 | 模型的文件路径 | String | | | null | | outputCol | 输出结果列 | 输出结果列列名，可选，默认null | String | | | null | | overwriteSink | 是否覆写已有数据 | 是否覆写已有数据 | Boolean | | | false | | reservedCols | 算法保留列名 | 算法保留列 | String[] | | | null | | vocabSize | 字典库大小 | 字典库大小，如果总词数目大于这个值，那个文档频率低的词会被过滤掉。 | Integer | | | 262144 | | numThreads | 组件多线程线程个数 | 组件多线程线程个数 | Integer | | | 1 | | modelStreamFilePath | 模型流的文件路径 | 模型流的文件路径 | String | | | null | | modelStreamScanInterval | 扫描模型路径的时间间隔 | 描模型路径的时间间隔，单位秒 | Integer | | | 10 | | modelStreamStartTime | 模型流的起始时间 | 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s) | String | | | null |

代码示例

Python 代码

  1. df = pd.DataFrame([
  2.     [0, u'二手旧书:医学电磁成像'],
  3.     [1, u'二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969'],
  4.     [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  5.     [3, u'二手中国糖尿病文献索引'],
  6.     [4, u'二手郁达夫文集（ 国内版 ）全十二册馆藏书']
  7. ])
  9. inOp = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
  11. pipeline = Pipeline() \
  12.     .add(Segment().setSelectedCol("text")) \
  13.     .add(DocCountVectorizer().setSelectedCol("text"))
  15. pipeline.fit(inOp).transform(inOp).print()

Java 代码

  1. import org.apache.flink.types.Row;
  3. import com.alibaba.alink.operator.batch.BatchOperator;
  4. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  5. import com.alibaba.alink.pipeline.Pipeline;
  6. import com.alibaba.alink.pipeline.nlp.DocCountVectorizer;
  7. import com.alibaba.alink.pipeline.nlp.Segment;
  8. import org.junit.Test;
  10. import java.util.Arrays;
  11. import java.util.List;
  13. public class DocCountVectorizerTest {
  14.     @Test
  15.     public void testDocCountVectorizer() throws Exception {
  16.         List <Row> df = Arrays.asList(
  17.             Row.of(0, "二手旧书:医学电磁成像"),
  18.             Row.of(1, "二手美国文学选读（ 下册 ）李宜燮南开大学出版社 9787310003969"),
  19.             Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
  20.             Row.of(3, "二手中国糖尿病文献索引"),
  21.             Row.of(4, "二手郁达夫文集（ 国内版 ）全十二册馆藏书")
  22.         );
  23.         BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, text string");
  24.         Pipeline pipeline = new Pipeline()
  25.             .add(new Segment().setSelectedCol("text"))
  26.             .add(new DocCountVectorizer().setSelectedCol("text"));
  27.         pipeline.fit(inOp).transform(inOp).print();
  28.     }
  29. }

运行结果

输出数据

| id | text | | —- | —- |

| 0 | $37$10:1.0 14:1.0 18:1.0 25:1.0 29:1.0 34:1.0 |

| 1 | $37$0:1.0 1:1.0 4:1.0 7:1.0 13:1.0 17:1.0 22:1.0 26:1.0 29:1.0 33:1.0 35:1.0 |

| 2 | $37$5:1.0 6:1.0 12:1.0 19:1.0 20:1.0 23:1.0 26:1.0 28:1.0 29:1.0 31:1.0 36:2.0 |

| 3 | $37$8:1.0 9:1.0 16:1.0 29:1.0 32:1.0 |

| 4 | $37$0:1.0 1:1.0 2:1.0 3:1.0 11:1.0 15:1.0 21:1.0 24:1.0 27:1.0 29:1.0 30:1.0 |